CONCLUSION
En définitive, il ressort de notre étude que la
prévision du risque de contrepartie, par la mise en place d'un scoring
dont les données de bases sont en grandes majorité nominales,
peut être fiable. L'idée que les modèles de scoring
crédit étaient difficilement approchables dans le contexte de
variables qualitatives, comme semblait le défendre l'esprit dans lequel
les plus célèbres modèles de score sont nés, nous
parait donc excessive du point de vue des résultats de notre
recherche.
En effet, cette appréhension a d'abord
été levée d'un point de vue méthodologique. Les
premiers modèles de scoring crédit admettaient une liaison
linéaire entre les « income » et les
« outcome », ce qui n'est pas toujours le cas, nous l'avons
vu. Or cette hypothèse de départ enferme de facto le
modélisateur dans le difficile compromis de l'indépendance des
observations et de normalité des variables explicatives, impossibles
à satisfaire si on possède au moins une variable explicative
qualitative. Nous avons donc opté pour une solution
méthodologique non paramétrique, admettant des relations non
linéaires entre variables exogènes et variable
endogène.
Cette appréhension a ensuite été
levée du point de vue de la performance statistique, puisque les
résultats obtenus, dans les deux modèles prédictifs
estimés étaient fiables à plus de 90%.. Ainsi, nous avons
pu atteindre, avec un bon seuil de confiance, nos objectifs de départ
qui tenaient à la description, à l'explication, puis à la
prédiction par la modélisation statistique et l'intelligence
artificielle.
Dans les deux premiers points en effet, nous nous sommes
intéressés à la distribution des clients (PME) de
l'UMECUDEFS au sein des « bon payeurs » et des
« mauvais payeurs ». Il en ressort que les clients
« mauvais payeurs » présents dans notre
échantillon comptent plus de cas dont l'age est compris entre 30 et 50,
et que le risque de crédit augmente avec l'âge. Il en ressort
aussi que la relation entre le niveau de revenu des dirigeant des PME et le
risque de crédit évolue en sens inverse, confirmant que
« mieux vaut ne prêter qu'aux riches », de même
d'ailleurs qu'entre la durée d'existence de l'entreprise elle-même
et la probabilité de défaut.
Nous observons par ailleurs que la distribution des PME est
plus forte chez les « mauvais payeurs » si la valeur de la
garantie proposée baisse, ou si le montant du crédit a une
tendance haussière. Enfin, la sélection adverse des agents de
crédits ainsi que le nombre d'échéances de retard que
peuvent accuser les débiteurs pendant le remboursement, ont une
importante influence positive sur la distribution des « mauvais
payeurs » de notre échantillon..
Dans le troisième point, l'objectif de
prédiction aura été atteint à travers une
régréssion logistique binaire, puis une régression
neuronale par parceptron multicouches. Le modèle de scoring finalement
retenu a confirmé notre hypothèse numero 1. En effet, nous avons
admis dans notre hyperplan que les données démographiques du
dirigeant, l'expérience du dirigeant en matière de crédit,
la forme juridique de la PME, le secteur d'activité, le type de
garantie, le facteur temps et le montant de la demande de prêt
influencent le risque de crédit de manière significative.
En outre, nous avons confirmé que le modèle
logistique présente de meilleures performances prédictives que le
modèle neuronal, dans le cadre de notre deuxième hypothèse
de recherche.
Cependant, cette étude tiendra son importance de
l'applicabilité de la grille de scoring crédit à laquelle
elle aura permis d'aboutir, via une implémentation informatique
progressive au sein de l'UMECUDEFS, et via un système de suivi
évaluation participatif continue ou ponctuel.
fred.ntoutoume@yahoo.fr
| 
